【KDD2021】自监督表示集成的新冠咳嗽分类

使用智能手机收集的呼吸音，经过深度学习模型训练，用于检测和分类COVID-19，最近变得流行起来。它消除了对现场检测程序的需要，特别是对相关医疗用品、有经验的工人和设备有限的农村地区。然而，现有的基于声音的诊断方法是在完全监督的方式下进行训练的，这需要大量标记良好的数据。重要的是发现新的方法来利用无标记的呼吸数据，这可以更容易地获得。在本文中，我们提出了一种新的自监督学习框架，用于COVID-19咳嗽分类。引入对比预训练阶段，以训练无标记数据的基于Transformer的特征编码器。具体来说，我们设计了一个随机掩蔽机制来学习呼吸音的鲁棒表示。然后在下游阶段对预训练的特征编码器进行微调，以执行咳嗽分类。此外，在下游阶段还研究了不同随机掩蔽率下的集成。通过广泛的评估，我们证明了所提出的对比训练前、随机掩蔽机制和集成架构有助于提高咳嗽分类性能。

https://www.zhuanzhi.ai/paper/04b3668a6f463e3342c18d32b55b0f33